CN112731137A - 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 - Google Patents
基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 Download PDFInfo
- Publication number
- CN112731137A CN112731137A CN202010984315.XA CN202010984315A CN112731137A CN 112731137 A CN112731137 A CN 112731137A CN 202010984315 A CN202010984315 A CN 202010984315A CN 112731137 A CN112731137 A CN 112731137A
- Authority
- CN
- China
- Prior art keywords
- stator
- phase
- fault
- rotor
- turn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法,其技术方案是:首先对按一定频率采集的定子电流瞬时信号进行快速傅里叶分解,对每个样本提取故障相关20维特征量;然后将这些数据通过栈式自编码器进行编码,实现特征自动提取;然后将编码后的数据输入轻型梯度提升机分类器进行电机状态多分类以诊断故障种类及严重程度。本发明信号处理过程无需人工提取特征及人工干预,同时利用降噪自编码可以抑制部分噪声。分类器选择基于决策树的优化算法轻型梯度提升机算法,在结构化数据的表现上优于深度神经网络,且在保证精度最高的前提下单位循环次数训练时间最短,整个流程代码可以实现封装保存以供后续训练和实际应用。
Description
技术领域
本发明涉及一种基于栈式自编码与轻型梯度提升机算法的,能够联合、同时诊断笼型异步电动机定转子故障的方法,属检测技术领域。此处,定子故障系指定子绕组匝间短路故障,转子故障系指转子断条故障。
背景技术
笼型异步电动机广泛应用于电气传动领域。由于在制造和安装过程中定子绕组的绝缘可能被划伤或擦伤,加之工作环境与机械、电磁等原因导致振动、摩擦而损伤绝缘,因而笼型异步电动机在运行过程中可能发生定子绕组匝间短路故障。另外,由于转子导条受到径向电磁力、旋转电磁力、离心力、热弯曲挠度力等交变应力的作用,加之转子制造缺陷,因而笼型异步电动机在运行过程中可能发生转子断条故障。
定子绕组匝间短路和转子断条均是典型的渐进性故障,定子绕组匝间短路故障初期较为轻微,而后逐渐发展;转子断条初期通常只是1、2根导条断裂,而后其邻近导条继续断裂。因此,进行定子绕组匝间短路以及转子断条故障诊断具有重要意义。
笼型异步电动机定子某相绕组发生匝间短路故障后,其三相平衡关系遭到破坏,负序分量变化明显,同时三相阻抗角以及定子电流的某些频率分量也会产生一定的变化。因此,定子绕组匝间短路故障的典型特征为负序阻抗,当前的定子绕组匝间短路故障诊断方法也大多依赖于此单一故障特征。但实际上,除负序阻抗以外,负序电压和故障相电流的幅值也是受定子绕组匝间短路故障影响较大的量,如果将这些量按照一定的权重占比加以综合而诊断故障,将比传统的依赖于单一故障特征的诊断方法更加可靠。
笼型异步电动机发生转子断条故障之后,定子电流中将出现(1±2s)f1频率的边频分量(s 为转差率,f1为供电频率),这是典型的转子断条故障特征。而定子电流信号易于采集,因此基于傅里叶变换的定子电流信号频谱分析方法被广泛应用于转子断条故障诊断。当然,为了改进故障诊断的性能,自适应滤波、派克变换、希尔伯特变换以及高频率分辨力谱估计技术逐渐被引入该领域而形成了一系列的笼型异步电动机转子断条故障诊断方法。但是这些方法在本质上均是传统的依赖于单一故障特征的诊断方法,其性能仍有待提高。
更重要的是,由于定、转子之间的双边电磁感应关系,笼型异步电动机的定子绕组匝间短路和转子断条故障是相互影响的,其故障特征也存在一定程度的相互交织。因此,孤立的定子绕组匝间短路故障诊断,或者孤立的转子断条故障诊断,往往混淆这两种故障而做出错误诊断。
发明内容
本发明的目的在于提供一种基于机器学习的、能够自动提取笼型异步电动机定子绕组匝间短路和转子断条故障的特征并准确进行故障多分类的联合诊断方法,从而实现定子绕组匝间短路和转子断条故障及其严重程度的联合、同时诊断。
本发明所称问题是以下述技术方案实现的:
基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定子绕组匝间短路和转子断条故障诊断方法,它首先对实验笼型异步电动机在正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)、等7种状态下的定子电压、电流瞬时信号进行采样(采样频率10060Hz)并保存,然后对其进行快速傅里叶变换以提取出A相电压幅值、B相电压幅值、C相电压幅值、A相电流幅值、B相电流幅值、C相电流幅值、A相电压相位、B相电压相位、C相电压相位、A相电流相位、B相电流相位、C相电流相位、正序电压有效值、负序电压有效值、正序电流有效值、负序电流有效值、正序阻抗模值、负序阻抗模值、定子电流(1+2s)f1边频分量、定子电流(1-2s)f1边频分量等共计20个特征量并整理而成 20维的7个特征量数据集——分别对应正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等7种状态;进而,将这些20维的高维数据集引入栈式自编码器(同时添加稀疏惩罚项和降噪环节),进行编码以提取出权重占优的8个编码特征量,从而完成降维并形成8维的7个编码特征量数据集——分别对应正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等7种状态;最后,将这些数据按照80%训练集、20%验证集的比例导入分类器(本发明使用轻型梯度提升机),本发明的训练精度高达100%、测试精度高达99.85%,而定子绕组匝间短路和转子断条故障诊断的准确率高达99.85%,这就成功地实现了定子绕组匝间短路和转子断条故障及其严重程度的联合、同时诊断。
上述笼型异步电动机定子绕组匝间短路和转子断条故障的联合、同时诊断方法,它包括以下步骤:
a.首先进行系统、大量的实验,测取定子三相电流瞬时信号isA、isB、isC,定子三相电压瞬时信号usA、usB、usC;
这一工作针对电机的正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等7种状态逐一进行,并且每一种状态均涵盖电机负载变化(满载、半载、空载)。
将电机的上述7种状态分别、顺次标记为状态0、1、2、3、4、5、6。
通过这一工作,获取了大量的电机样本数据。以状态0为例,满载、半载、空载每种负载状况下的样本数据为27002组,则电机7种状态总计包含81006组样本数据。
b.针对每一组样本数据,对测取的定子三相电流、电压瞬时信号应用快速傅里叶变换提取出A相电压幅值、B相电压幅值、C相电压幅值、A相电流幅值、B相电流幅值、C相电流幅值、A相电压相位、B相电压相位、C相电压相位、A相电流相位、B相电流相位、C相电流相位、正序电压有效值、负序电压有效值、正序电流有效值、负序电流有效值、正序阻抗模值、负序阻抗模值、定子电流(1+2s)f1边频分量、定子电流(1-2s)f1边频分量等共计20个特征量;
c.将上述每一组样本数据提取出的20个特征量及其对应的电机状态标记(0~6)进行整理,得到20维的7个特征量数据集——分别对应电机状态0、1、2、3、4、5、6;
d.将上述数据集导入栈式自编码器,添加稀疏惩罚项和噪声项后进行训练,完成栈式自编码器的构建与训练,提取出权重占优的8个编码特征量,从而完成降维并形成8维的7个编码特征量数据集——分别对应电机状态0、1、2、3、4、5、6;
e.将降维后的数据集按照80%、20%的比例划分为训练集与验证集,将训练集数据引入轻型梯度提升机分类器而进行训练,利用测试集数据验证并调整该分类器的参数,从而确定该分类器的最优意义下的各个参数;
f.模型的封装和保存:
针对从信号处理到自编码器再到轻型梯度提升机分类器的整个过程进行代码封装,只允许输入采样信号、仅输出电机状态标签,然后对模型进行保存。具体的实现方式是,使用 pyinstaller库(一个Python第三方库)和轻型梯度提升机自带的函数应用程序接口,将其封装、保存为一个扩展名为.exe的可执行函数,该函数的输入为定子三相电流瞬时信号isA、isB、 isC与定子三相电压瞬时信号usA、usB、usC,输出为电机状态标签——正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)。
g.将实际的采样信号——定子三相电流瞬时信号isA、isB、isC,定子三相电压瞬时信号usA、usB、usC,输入至上述模型并获得其输出结果——电机状态标签,从而诊断电机所处的状态:
电机状态划分为7类,对应0~6号标签,分别对应正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等共计7种状态。
本发明最显著的优点就是:通过将栈式自编码器与轻型梯度提升机算法二者有机结合,可以成功实现笼型异步电动机定子绕组匝间短路和转子断条故障及其严重程度的联合、同时诊断,该方法的诊断准确率高达99.83%。另外,本发明仅需测取定子三相电流瞬时信号isA、 isB、isC与定子三相电压瞬时信号usA、usB、usC,而信号处理只需常规的快速傅里叶变换,符合工程实际的实时性要求。本发明对栈式自编码器完成了优化,使之恰当地融合了稀疏和降噪特性,因而不仅可以自动进行特征编码,尚能进行数据降噪,优化后的栈式自编码器可以将20维的特征量数据集降维而成8维编码特征量数据集,因而大幅减少了运算量,符合工程实际的实时性要求。本发明对轻型梯度提升机算法完成了训练,结合本发明优化后的栈式自编码器,可以对笼型异步电动机定子绕组匝间短路和转子断条故障及其严重程度进行联合、同时诊断。本发明基于栈式自编码器、与轻型梯度提升机算法的诊断模型可以封装、保存,在实际使用时仅需对其进行调用即可,符合工程实际的实时性要求。
下面结合附图对本发明作进一步详述。
附图说明
图1是实验接线图;
图2是栈式自编码器的原理图;
图3是栈式自编码器编码部分的结构图;
图4是栈式自编码器解码部分的结构图;
图中所用各符号的意义:X、输入样本数据,即编码器输入层的数据;加噪后的输 入样本数据,即编码器输入层的加噪后的数据;的第i个元素;Y、编码后的数据,即编码器输出层的数据,亦为解码器输入层的数据;yi、Y的第i个元素;Z、解码后的数据,即解码器输出层的数据;zi、Z的第i个元素;qD、加噪映射;fθ、到Y的编码映射;gθ′、 Y到Z的解码映射;L(Z,X)、Z与X的重构误差。hi、编码器中间层参数H的第i个元素; W(1)、编码器输入层至中间层神经元的权重矩阵;b(1)、编码器输入层至中间层神经元的偏置 矩阵;W(2)、编码器中间层至输出层神经元的权重矩阵;b(2)、编码器中间层至输出层神经 元的偏置矩阵;ki、解码器中间层参数K的第i个元素;W′(1)、解码器输入层至中间层神经 元的权重矩阵;b′(1)、解码器输入层至中间层神经元的偏置矩阵;W′(2)、解码器中间层至输 出层神经元的权重矩阵;b′(2)、解码器中间层至输出层神经元的偏置矩阵。
具体实施方式
本发明提出了一种基于栈式自编码器与轻型梯度提升机算法的笼型异步电动机定子绕组匝间短路和转子断条故障及其严重程度的联合、同时诊断方法,该方法的诊断准确率高达 99.83%。显然,本发明的基础在于大量样本数据的获取、栈式自编码器与轻型梯度提升机的构建,下文对此做具体说明。
图1为实验接线图,据此对电机进行系统、大量的实验,从而获取充分的样本。其中,数据采集系统通过电流变换器和电压变换器采集定子三相电流瞬时信号isA、isB、isC,定子三相电压瞬时信号usA、usB、usC。这一实验工作针对电机的正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等7种状态逐一进行,并且每一种状态均涵盖电机负载变化(满载、半载、空载)。通过这一工作,获取了大量的电机样本数据。以状态0为例,满载、半载、空载每种负载状况下的样本数据为27002组,则电机7种状态总计包含81006组样本数据。
图2是栈式自编码器(融合有稀疏和降噪特性)的编码器、解码器原理图。由该图可知, 编码器对输入样本数据X加噪而获得将转换为Y的编码映射记为即解码器则将得到的Y映射回输入空间中而成为重构的数据Z=gθ′(Y),并计算Z与X的重构 误差L(Z,X),至此完成编码器的前向过程。然后进行反向过程,运用随机梯度下降算法更新 图3所示的参数集θ={W,b}和图4所示的参数集θ′={W′,b′},从而优化成本函数、减小重 构误差L(Z,X)。
需要注意,对输入样本数据X加噪是指——对输入数据添加一个基于傅里叶变换的噪声,从而获得其中,qD(X)=X+F×f(t)是加噪映射,F为噪声因子(本发明取为5%), f(t)为标准正态分布概率密度函数,t为时间。将加噪后的输入映射到并重构 Z=gθ′(Y)。之后,自编码器会自动地通过减小重构误差而优化编码映射从而完成特征的自动编码、降维与提取。
本发明所使用的栈式自编码器融合了稀疏特性和降噪特性,在过拟合的抑制、成本函数的优化以及噪声损坏数据的恢复等方面具有优秀的性能。
稀疏自编码的本质在于——采用更简单的映射完成复杂的过程以利于进化。在深度学习过程中,提高神经元的稀疏性有利于高效压缩信息。此外,由于不同层级神经元之间通过 sigmoid这一非线性函数连接,增加神经元的稀疏度可以抑制神经网络的非线性特性,从而限制过度拟合训练集数据,即抑制过拟合。
降噪自编码技术的本质在于——将被噪声损坏的数据进行编码、解码,从而还原初始的完整信息。降噪自编码提出的目的不在于降噪本身,而在于建立一种特征自动提取的训练标准,特别是针对电机故障数据,在其提取过程中必然会受到噪声的干扰,因而这种带有降噪功能的特征提取有利于降低噪声的影响。
利用栈式自编码技术,可以自动地计算输入的各个特征的权重,同时依据设定的输出维度进行降维,从而在对输入数据要求较宽松的情况下实现特征的自动提取。
本发明所使用的栈式自编码器的构建步骤如下。
a.获取输入数据{X},{X}是一个m×din二维矩阵(m为样本总数,din=20为X的维度)。
b.对每一个输入数据X添加基于傅里叶变换的噪声,从而获得其中, qD(X)=X+F×f(t)是加噪映射,F为噪声因子(本发明取为5%),f(t)为标准正态分布概率密度函数,t为时间。对m个输入数据均完成上述“加噪”,从而获得加噪后的输入数据
c.构建编码器部分:建立3层(输入层、中间层、输出层)神经网络,每层神经元数量逐层递减(依次为20、16、8),如附图3所示。
附图3中,输入层至中间层神经元的输入输出关系如式(1)所示:
其中,W(1)为输入层至中间层神经元的dmid×din维的权重矩阵;b(1)为输入层至中间层神经元的维度为dmid的偏置矩阵;din=20为输入样本数据的维度,即编码器输入层数据的维度; dmid=16为编码器中间层数据的维度;sigmoid为非线性函数,用于激活神经元的输出。
附图3中,中间层至输出层神经元的输入输出关系如式(2)所示:
Y=sigmoid(W(2)H+b(2)) (2)
其中,W(2)为中间层至输出层神经元的dout×dmid维的权重矩阵;b(2)为中间层至输出层神经元的维度为dout的偏置矩阵;dout=8为编码器输出层数据的维度。
d.构建解码器部分:建立3层(输入层、中间层、输出层)神经网络,每层神经元数量逐层递增(依次为8、16、20),如附图4所示。需要注意,解码器的输入层即为编码器的输出层,且解码器输出数据的维度与编码器输入数据的维度保持一致。
解码器的整个流程与编码器相反,目的是得到Y映射至输入数据空间中的重构数据 Z=gθ′(Y),映射gθ′即解码器。
附图4中,输入层至中间层神经元的输入输出关系如式(3)所示:
K=sigmoid(W′(1)Y+b′(1)) (3)
其中,W′(1)为输入层至中间层神经元的dmid×dout维的权重矩阵;b′(1)为输入层至中间层神经元的维度为dmid的偏置矩阵;dmid=16、dout=20。
附图4中,中间层至输出层神经元的输入输出关系如式(4)所示:
Z=sigmoid(W′(2)K+b′(2)) (4)
其中,W′(2)为中间层至输出层神经元的din×dmid维的权重矩阵;b′(2)为中间层至输出层神经元的维度为din的偏置矩阵;din=20、dmid=16。
式(3)、式(4)联合组成重构映射gθ′(Y)。
g.BP(Backward Propagation,反向传播)过程,利用随机梯度下降法计算梯度值,并用负梯度乘以学习率来更新权重和偏置值,如式(5)所示。
其中,α为学习率,过大可能会导致梯度上升,过小则训练缓慢,一般情况下会存在一定区间内的最优解,具体值在训练过程中自动确定。
h.根据每组权重和偏置计算成本函数,并建立以训练循环次数为横坐标、成本函数值为纵坐标的曲线,籍此对训练结果进行评价。
i.不断进行训练、结果评价、更新参数这一循环,确定最优学习率、成本函数等,确保重构误差降到最低,同时时刻关注成本函数曲线,确保重构误差沿梯度方向下降。若成本函数随着训练循环增加或者震荡,则需要对参数进行重新调整,直至满足要求。
j.保存模型,数据编码输出并保存。
本发明所获得的W(1)的各个元素,列写如下:
本发明所获得的b(1)的各个元素,列写如下:
本发明所获得的W(2)的各个元素,列写如下:
本发明所获得的b(2)的各个元素,列写如下:
本发明所获得的W′(1)的各个元素,列写如下:
本发明所获得的b′(1)的各个元素,列写如下:
本发明所获得的W′(2)的各个元素,列写如下:
本发明所获得的b′(2)的各个元素,列写如下:
至此,本发明所使用的栈式自编码器构建、训练完毕。之后,将编码数据Y导入轻型梯度提升机分类器。
轻型梯度提升机是梯度提升决策树(GBDT)的优化算法,除了融合GBDT的诸多优点(例如集成学习、拟合曲线和残差曲线叠加等)以外,还采用了直方图索引以及单边叶子生长策略,可以在不损失精度的情况下大幅提高计算效率,其计算效率比传统GBDT算法提高10倍以上。同时,针对单边叶子生长策略易产生过拟合的问题,通过限制决策树的深度加以解决。
依托sklearn库及其中的GridSearchCV搜索模块,可以便捷、高效地构建轻型梯度提升机。这里,sklearn库是一个开源的基于Python语言的机器学习工具包,涵盖了包括轻型梯度提升机在内的几乎所有主流的机器学习算法;GridSearchCV则是sklearn库中的一个参数自动调节模块,用于系统地遍历多种参数组合,通过交叉验证确定最佳效果参数。
首先根据经验设置轻型梯度提升机的一组超参数,然后调用sklearn库中的GridSearchCV 搜索模块,自动搜索即可得到轻型梯度提升机的、效果最佳的超参数,如表1所示。关于表 1中matric、learning_rate等各个符号的意义,sklearn库中已经明确给出说明,故不予赘述。
之后,将栈式自编码器降维后的数据按照80%、20%的比例划分为训练集与验证集,将训练集数据引入轻型梯度提升机分类器而进行训练,利用测试集数据验证并调整该分类器的参数,从而确定该分类器的最优意义下的各个参数。这一工作利用sklearn库自动完成,至此本发明所使用的轻型梯度提升机分类器构建、训练完毕,其具体结构、参数等暂存于sklearn 库,对其进行封装、存储即可供后续使用。
表1 轻型梯度提升机超参数选取
Claims (5)
1.基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法,其特征是,它首先对按一定频率采集的定子电流瞬时信号和定子电压瞬时信号进行快速傅里叶变换,保留提取到的20个特征量——A相电压幅值、B相电压幅值、C相电压幅值、A相电流幅值、B相电流幅值、C相电流幅值、A相电压相位、B相电压相位、C相电压相位、A相电流相位、B相电流相位、C相电流相位、正序电压有效值、负序电压有效值、正序电流有效值、负序电流有效值、正序阻抗模值、负序阻抗模值、定子电流(1+2s)f1边频分量、定子电流(1-2s)f1边频分量;然后将这些数据通过栈式自编码器进行编码,达到特征自动提取的目的;进而将提取出的特征输入轻型梯度提升机分类器进行电机状态的多分类——正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重);据此即可做出诊断,同时将模型保存以供后续训练和故障诊断之用。
2.根据权利要求1所述基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法,本方法包括以下步骤:
a.首先进行系统、大量的实验,测取定子三相电流瞬时信号isA、isB、isC,定子三相电压瞬时信号usA、usB、usC;
这一工作针对电机的正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等7种状态逐一进行,并且每一种状态均涵盖电机负载变化(满载、半载、空载)。
将电机的上述7种状态分别、顺次标记为状态0、1、2、3、4、5、6。
通过这一工作,获取了大量的电机样本数据。以状态0为例,满载、半载、空载每种负载状况下的样本数据为27002组,状态0即包含81006组样本数据,则电机7种状态总计包含567042组样本数据。
b.针对每一组样本数据,对测取的定子三相电流、电压瞬时信号应用快速傅里叶变换提取出A相电压幅值、B相电压幅值、C相电压幅值、A相电流幅值、B相电流幅值、C相电流幅值、A相电压相位、B相电压相位、C相电压相位、A相电流相位、B相电流相位、C相电流相位、正序电压有效值、负序电压有效值、正序电流有效值、负序电流有效值、正序阻抗模值、负序阻抗模值、定子电流(1+2s)f1边频分量、定子电流(1-2s)f1边频分量等共计20个特征量;
c.将上述每一组样本数据提取出的20个特征量及其对应的电机状态标记(0~6)进行整理,得到20维的7个特征量数据集——分别对应电机状态0、1、2、3、4、5、6;
d.将上述数据集导入栈式自编码器,添加稀疏惩罚项和噪声项后进行训练,完成栈式自编码器的构建与训练,提取出权重占优的8个编码特征量,从而完成降维并形成8维的7个编码特征量数据集——分别对应电机状态0、1、2、3、4、5、6;
e.将降维后的数据集按照80%、20%的比例划分为训练集与验证集,将训练集数据引入轻型梯度提升机分类器而进行训练,利用测试集数据验证并调整该分类器的参数,从而确定该分类器的最优意义下的各个参数;
f.模型的封装和保存:
针对从信号处理到自编码器再到轻型梯度提升机分类器的整个过程进行代码封装,只允许输入采样信号、仅输出电机状态标签,然后对模型进行保存。具体的实现方式是,使用pyinstaller库(一个Python第三方库)和轻型梯度提升机自带的函数应用程序接口,将其封装、保存为一个扩展名为.exe的可执行函数,该函数的输入为定子三相电流瞬时信号isA、isB、isC与定子三相电压瞬时信号usA、usB、usC,输出为电机状态标签——正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)。
g.将实际的采样信号——定子三相电流瞬时信号isA、isB、isC,定子三相电压瞬时信号usA、usB、usC,输入至上述模型并获得其输出结果——电机状态标签,从而诊断电机所处的状态:
电机状态划分为7类,对应0~6号标签,分别对应正常、定子绕组匝间短路故障(轻微)、定子绕组匝间短路故障(中等)、定子绕组匝间短路故障(严重)、转子断条故障(轻微)、转子断条故障(中等)、转子断条故障(严重)等共计7种状态。
3.根据权利要求2所述基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法,其特征是——使用栈式稀疏降噪自编码器进行特征的自动提取。本发明所确定的栈式稀疏降噪自编码器的结构如附图3、附图4所示,其权重矩阵、偏置矩阵具体如下。
本发明所获得的W(1)的各个元素,列写如下:
本发明所获得的b(1)的各个元素,列写如下:
本发明所获得的W(2)的各个元素,列写如下:
本发明所获得的b(2)的各个元素,列写如下:
本发明所获得的W′(1)的各个元素,列写如下:
本发明所获得的b′(1)的各个元素,列写如下:
本发明所获得的W′(2)的各个元素,列写如下:
本发明所获得的b′(2)的各个元素,列写如下:
4.根据权利要求3所述基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法,其特征是——所述定子电流瞬时信号和定子电压瞬时信号的采样频率设定为10060Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984315.XA CN112731137A (zh) | 2020-09-15 | 2020-09-15 | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010984315.XA CN112731137A (zh) | 2020-09-15 | 2020-09-15 | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731137A true CN112731137A (zh) | 2021-04-30 |
Family
ID=75597211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010984315.XA Withdrawn CN112731137A (zh) | 2020-09-15 | 2020-09-15 | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731137A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538353A (zh) * | 2021-07-05 | 2021-10-22 | 华北电力大学(保定) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 |
CN115248377A (zh) * | 2022-09-21 | 2022-10-28 | 北京科锐特科技有限公司 | 异步电动机转子断条故障检测方法、计算机设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
CN110119772A (zh) * | 2019-05-06 | 2019-08-13 | 哈尔滨理工大学 | 一种基于几何形状特征融合的三维模型分类方法 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN110811647A (zh) * | 2019-11-14 | 2020-02-21 | 清华大学 | 一种基于心冲击信号的多通道隐蔽性测谎方法 |
-
2020
- 2020-09-15 CN CN202010984315.XA patent/CN112731137A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135600A (zh) * | 2011-01-28 | 2011-07-27 | 中国人民解放军海军潜艇学院 | 异步电动机故障检测装置及方法 |
CN107957551A (zh) * | 2017-12-12 | 2018-04-24 | 南京信息工程大学 | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 |
CN110119772A (zh) * | 2019-05-06 | 2019-08-13 | 哈尔滨理工大学 | 一种基于几何形状特征融合的三维模型分类方法 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN110811647A (zh) * | 2019-11-14 | 2020-02-21 | 清华大学 | 一种基于心冲击信号的多通道隐蔽性测谎方法 |
Non-Patent Citations (2)
Title |
---|
乔霓丹: "《深度学习与医学大数据》", 《上海科学技术出版社》 * |
猿媛之家等: "《Python程序员面试笔试宝典》", 《机械工业出版社》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538353A (zh) * | 2021-07-05 | 2021-10-22 | 华北电力大学(保定) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 |
CN113538353B (zh) * | 2021-07-05 | 2023-09-01 | 华北电力大学(保定) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 |
CN115248377A (zh) * | 2022-09-21 | 2022-10-28 | 北京科锐特科技有限公司 | 异步电动机转子断条故障检测方法、计算机设备及介质 |
CN115248377B (zh) * | 2022-09-21 | 2022-12-13 | 北京科锐特科技有限公司 | 异步电动机转子断条故障检测方法、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
WO2023044979A1 (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
Shao et al. | Learning features from vibration signals for induction motor fault diagnosis | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN106682688A (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
CN112731137A (zh) | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 | |
CN101907665A (zh) | 联合模糊理论和改进遗传算法的油浸式电力设备故障诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN111737907A (zh) | 一种基于深度学习和dga的变压器故障诊断方法及装置 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN104677629A (zh) | 车辆变速箱故障检测方法 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN116956215A (zh) | 一种传动系统故障诊断方法及系统 | |
CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
CN111766513B (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
CN114021620A (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN112986821A (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
CN116465623A (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
CN114997225A (zh) | 一种考虑数据特征的非对称堆叠稀疏自编码故障诊断方法 | |
CN114778969A (zh) | 一种基于RBF-Elman神经网络的整流器故障诊断方法 | |
CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 | |
Liu et al. | Method of extracting gear fault feature based on stacked autoencoder | |
CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210430 |